不是愚人，看看人工智能将带来的医疗改变

据联合国估算，如今地球上生活着超过70亿人口，是两百年前人口数量的7倍。根据OurWorldInData调查显示，除人口数量迅速增长之外，人类的平均寿命也在延长。

然而这样的调查背后却隐藏着对我们和下一代的巨大挑战。Eurostat研究发现在人口增长和平均寿命延长的同时，人类保持健康的时间却并没有增加。这意味着更多的人会在更长的时间里依赖药物支持。特别是退化类疾病，如老年痴呆等会更加频发。世界卫生组织预测到2030年，全球患老年痴呆症的人口数量将会由如今的4700万增加到7500万，而到2050年，数量将会是今天的3倍。这个预测引起了人们对未来医疗的诸多思考。我们该如何应对更多的病人、如何克服提供医疗服务与持续增长的成本和需求之间的冲突？未来医生的角色会有所改变吗？

当然，医疗行业外的人们也可以各抒己见、结合专业知识共同找到这个问题的答案。新技术毋庸置疑的应该被纳入考虑范围。机器学习——作为人工智能（AI）的一个分支，帮助电脑分析数据、在不需要复杂编程的情况下寻找发现不同模型，这对于重大变化的发现至关重要。但现如今人工智能在医疗行业已取得什么成就？在未来几十年又可能会取得怎样的突破呢？

人工智能在医疗行业的现状

目前，尽管我们在医疗知识的研究上取得了飞速的进步，也在人工智能领域取得了卓越的发展，但对医疗领域的人工智能研究却依然非常有限。随着大数据趋势和近年来精密医疗行业的发展，一个新兴的概念逐渐兴起：人们在预防或治疗疾病时更多地关注到病人在基因、环境、生活方式等方面的不同，这些都提高了我们对于医疗数据价值的认知。

依靠机器学习技术，我们在医学影像识别领域取得了重大进展。其实早在上世纪60年代，深度学习的技术就已经出现，直到最近才展现出其全部潜能——这得益于更多的数据来源、计算方法的提升和多重数据处理的发展。

尽管人类在低维度模式识别领域非常强大，并且仍然领先机器，但对医生来说手动分析已经日渐困难。这也直接导致了医院里出现了一批新的职位，并且这些新职位超出了人们的传统认知。有一位来自慕尼黑路德维希马西米兰大学（LMU）的Christian Wachinger教授 ，是一位电脑科学家，引领“人工智能应用与少年儿童精神病学的医学成像实验” 。他指出“对数据分析的需求为更多的电脑专家和数据分析师创造了很多在医院里工作的职位”。简而言之，我们需要越来越多能从增长的药物数据中分析其背后含义的人才。

这位教授与来自医疗、技术和心理学领域的跨学科小组合作，利用机器智能解决了很多的问诊问题，如精神疾病或大脑异常等。最近，他们与SAP 机器学习研究(machine learning research)团队合作了大脑年龄项目(Brain Age Project)。SAP 机器学习研究团队平时会邀请很多的学术研究伙伴一起，通过发现新的机器学习方法和趋势，以提升SAP的企业解决方案。

大脑年龄项目

LMU团队通过在医院实地研究，帮助医生和病人提升治疗方法。这帮助他们在神经学领域年龄预测的基础上构建出新的理论框架，该框架由LMU团队与SAP机器学习研究团队共同完成。

教授解释到，当他们发现依靠手动分析大脑扫描的核磁共振变得越来越复杂和耗时的时候，便萌生了该研究项目的想法。日益增加的复杂性和耗时给医生带来了不少麻烦，比如说日渐庞大的数据组和解决方案等，这也产生了对加强版分析方法的需求。同时，大脑的解剖变化可以用来预测患者的认知能力，因此对核磁共振扫描的分析就显得非常重要。

大脑年龄项目团队使用了大约1000个健康对象的核磁共振扫描来训练机器学习模型，让其发现大脑衰老的痕迹。这些核磁共振的扫描为在预估大脑年龄以及将其与患者真实年龄比对时发现异常奠定了基础。从理论上来说，一个健康人的大脑年龄与其实际年龄相差不大。Wachinger说，这个模型能察觉一些尚未表现出痴呆症状但是有趋势的患者的大脑年龄与实际年龄的巨大差异，帮助医生诊断出在早期阶段的某些疾病。他还强调，及早地诊断出神经元异常非常重要，因为患者可以尽早地通过接受理疗来延缓痴呆症状的出现。

这个项目的基础过程可以与血液测试相比较，比如医生取得血液样本后将其送至外部实验室检验结果，最后观察结果是否在正常值范围内。在大脑年龄项目中，这个过程也是相似的。患者在医生的帮助下进行核磁共振扫描，在此机器就充当了外部实验室的角色。它使用预先设定的运算法则分析扫描结果并为医生提供详细的大脑结构分析报告。然后医生将结果报告同预定义的健康对象结果参数相比较，从而进行诊断。对于患者来说，这个过程同样也有很多好处。他们仍然由一名医生来诊断，但可以得到高度精确的大脑结构分析，同时缩短了从观察到诊断的等待时间。

智能机器和未来的医疗

在大脑年龄项目团队展示人工智能在医疗领域的潜能时，LMU和SAP的机器学习研究团队的共同努力成果仅仅是未来无限可能的开端。我们假设在未来，升级版深度学习运算法能够在患者进行扫描时就为医生提供大脑结构的自动分析。这可以为医生节省不少时间，医生可以利用这段时间做其他相关的任务。那之前，我们将继续投入不断的研究、测试和提升，使智能机器能尽快在医院中投入使用。当然，这些机器并不能代替医生，而是在医生的日常工作中给予支持。

Wachinger看到了机器学习在医疗领域的重要地位，“一方面，我们可以尝试帮助医生更有效的工作；另一方面，我们也可以完成一些以前无法实现的任务。” 这些升级的全新治疗方法可以解决我们日渐庞大的老龄化社会中越来越多的医疗挑战。

人工智能技术的发展将会改变医生出诊的方式，提高预测和治疗疾病的可能性，降低医疗成本并提升医疗条件欠发达地区的医疗水平。最后，描绘未来基于数据和分析的医疗蓝图（为社会）带来了希望，同时也需要不断的研究来实现其最大潜能。这项研究的基础会由像Wachinger一样的机器学习研究者来奠定——通过研究大量的医疗数据来“提升患者治疗护理以及更好地探究疾病”。